53. Python 爬虫（2）

py3study

发布于 2020-01-07 17:47:56

3890

发布于 2020-01-07 17:47:56

文章被收录于专栏：python3

Cookie

Requests通过会话信息来获取cookie信息

Cookie的五要素：

Name value domain path expires

打印cookie的五大要素

import requests
url = "http://www.hao123.com"
s = requests.session()
r = s.get(url)
print (r.cookies)
for cook in r.cookies:
    print (cook.name)
    print (cook.value)
    print (cook.domain)
    print (cook.path)
    print (cook.expires)
    print ("#" * 30)

打印结果：

<RequestsCookieJar[<Cookie BAIDUID=C425EDB0B83699C89BDA3D02B25C53BA:FG=1 for .hao123.com/>, <Cookie hz=0 for .www.hao123.com/>, <Cookie ft=1 for www.hao123.com/>, <Cookie v_pg=normal for www.hao123.com/>]>
BAIDUID
C425EDB0B83699C89BDA3D02B25C53BA:FG=1
.hao123.com
/
1548337791
##############################
hz
0
.www.hao123.com
/
None
##############################
ft
1
www.hao123.com
/
1516809599
##############################
v_pg
normal
www.hao123.com
/
None
##############################

你只要获得了登陆页的cookies，你就可对网站进行合理的请求和访问了。

使用已知cookie信息，如何访问网站：

import requests
url = 'http://httpbin.org/cookies'
r = requests.get(url, cookies={'key1': 'value1', 'key2': 'value2'})
print(r.text)

结果：

{
    "cookies": {
    "key1": "value1",
    "key2": "value2"
    }
}

请求到我的IP地址：

import requests
url = "http://2017.ip138.com/ic.asp"
s = requests.session()
r = s.get(url=url)
print (r.encoding)
r.encoding = "gbk"
print (r.text)

代理访问：

采集时为避免被封IP，经常会使用代理。

requests也有相应的proxies属性。

西刺代理

import requests
proxies = {
"http": "http://139.208.187.142:8118"
}
r1 = requests.get("http://2017.ip138.com/ic.asp", proxies=proxies)
r1.encoding = "gbk"
print (r1.text)

请求结果：

<html>
<head>
<meta http-equiv="content-type" content="text/html; charset=gb2312">
<title> 您的IP地址 </title>
</head>
<body style="margin:0px"><center>您的IP是：[139.208.187.142] 来自：吉林省延边朝鲜族自治州 联通</center></body></html>

如果代理需要账户和密码，则需这样：

proxies = {
    "http": "http://user:pass@10.10.1.10:3128/",
}

requests的中文乱码问题：

import requests
param = {"key1": "hello", "key2": "world"}
url = 'https://www.baidu.com/'
r = requests.get(url=url)
print(r.encoding)              #ISO-8859-1默认使用的是这个
r.encoding = "utf-8"
print(r.text)

这样就可以正常显示了

总结：

Requests给你提供的所有接口，在传输数据的时候，都可以以key：value的形式进行传输，这个也是为什么特别使用requests的原因

如果你使用urllib，那么你就没有这么幸运了，很多事情都需要你自己去处理，并不可以直接通过dict的形式进行传输，需要进行装换。

Urllib 模块

在python2和python3上有差异

在python2上，urllib和urllib2各有各的功能，虽然urllib2是urllib的包装、升级版，但是urllib2还是不能完全替代urllib，而在python3中，则全部封装成1个类：urllib

python2：
import urllib
import urllib2

python3：
import urllib

Request方法：

import urllib.request
urllib.request.Request(url, data=None, headers = {}, method= None)

先看看python2中的urllib2和urllib的区别

（1）urllib2可以接收一个request对象，并以此可以来设置一个url的headers，但是urllib只可以接收一个url，这就意味着你不能通过urllib伪装自己的请求头。

举例：

python2中接收request对象：

urllib2.Request

python3中接收request对象：

urllib.request.Request()

python3 对这个方法重新进行了封装。

（2）ullib模板可以提供运行urlencode的方法，该方法用于GET查询字符串的生成，urllib2不具备这样的功能，而且urllib.quote等一系列qoute和unquote功能没有被加入urllib2中，因此有时也需要urllib的辅助。这就是为什么有时候urllib和urllib2一起使用的原因。（quote 是用来给url转码的）

举例：

python2中使用urllib.encode

data = {"key1":"hello", "key2":"world"}
d = urllib.encode(data)

作用：等同于域名后面的参数 www.**.com?key1=hello&key2=world

python3中使用parse.urlencode

from urllib import parse
import urllib.request
url = "www.hao123.com"
data = {"key1":"hello", "key2":"world"}
ndata = parse.urlencode(data) 	#将数据转化成一个字典形式
print (ndata)
#打印结果：key1=hello&key2=world
#继续往下：
req = urllib.request.Request(url=url, data=ndata.encode("utf-8"))
res = urllib.request.urlopen(req)
print (res.read().decode("utf-8"))

【注意】：urlencode（）主要作用就是将url附上要提交的数据。Post的数据必须是bytes或者iterable of bytes，不能是str，因此需要进行encode（）编码

方法解释：

urllib.request.urlopen(url, data=None, timeout=None)
url    		需要打开的网站
data    		psot提交的数据
Timeout       	网站访问的超时时间

但是没法伪装我们的头信息

from urllib import request
req = request.Request(url, headers=headers, data=data)
html = request.urlopen(req).read()

如果不自己添加信息，只需要加头信息，即添加一个字典形式的头信息即可访问，如下：

... ...
headers = {"User-Agent":
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36"}
req = urllib.request.Request(url=url, headers=headers)
res = urllib.request.urlopen(req)
print (res.read().decode("utf-8"))

分享链接：时下流行的浏览器User-Agent大全

http://blog.csdn.net/u012175089/article/details/61199238

同理，python2同样可以实现添加头信息，请求页面：

import urllib
import urllib2
headers = {"User-Agent":
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36"}
url = "https://www.qiushibaike.com"
req = urllib2.Request(url, headers=headers)
res = urllib2.urlopen(req)
print (res.read())

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2019/09/11 ，如有侵权请联系 cloudcommunity@tencent.com 删除

http